bAIes 框架扩展至六种 AI 结构预测器,生成无序蛋白原子级构象集合
Leveraging state-of-the-art AI structure predictors to generate atomic resolution ensembles of intrinsically disordered proteins
bAIes 框架已扩展到 AlphaFold2、AlphaFold3、Boltz-1、Boltz-2、ESMFold 和 ESMFold2 六种结构预测工具,用于生成固有无序蛋白的原子分辨率构象集合。
预印本 · biorxiv · 10.64898/2026.11.10.765624
本站摘要基于收录版本 v1(2026-11-11),原始摘要与 AI 导读固定保留。
来源最近更新: · 来源 v1
固有无序蛋白质(IDPs)是许多生物过程的核心,但其功能取决于动态的构象系综,而非单一结构。尽管人工智能对蛋白质结构预测产生了重大影响,但在原子分辨率下确定这些系综仍然充满挑战。最近,我们提出了 bAIes,这是一个利用 AlphaFold2 距离图(distograms)中编码的结构信息来生成原子分辨率 IDP 构象系综的框架。在此,我们将该框架扩展到六个最先进的结构预测工具(AlphaFold2、AlphaFold3、Boltz-1、Boltz-2、ESMFold 和 ESMFold2),并系统比较了它们预测的残基间距离分布中所编码的结构信息。尽管不同预测器之间存在差异,我们证明 bAIes 生成的系综与实验 NMR 和 SAXS 数据相比具有相当的准确性,且相对于最先进的全原子模拟和其他 IDP 系综生成方法也具有竞争力。这些结果表明,bAIes 对结构预测器的选择具有鲁棒性,且不同深度学习架构生成的距离分布包含了关于无序蛋白质构象偏好的宝贵信息。更广泛地说,我们的工作凸显了将人工智能衍生的结构信息与基于物理的建模相结合,以生成固有无序蛋白质及区域的原子分辨率系综的潜力。
来源:bioRxiv · biorxiv.org